基于放射组学、Delta-放射组学与机器学习的脑转移瘤风险分类
计算机视觉与模式识别
2023-02-20 v1
摘要
立体定向放疗（SRT）是脑转移瘤（BM）患者最重要的治疗手段之一。常规情况下，SRT 后患者通过系列影像监测，并在肿瘤显著进展时接受挽救治疗。我们假设，利用放射组学与机器学习（ML），可在随访中于肿瘤显著进展发生前识别出后续进展高风险转移瘤，从而实现个性化随访间隔并早期筛选挽救治疗。所有实验均在埃尔朗根大学医院（UKER）放射肿瘤科临床常规数据集上开展。分类通过最大相关最小冗余（MRMR）技术与支持向量机（SVM）实现。该流程在内部交叉验证中取得平均曲线下面积（AUC）0.83 的分类结果，并将队列划分为两个中位进展时间显著差异的亚队列（低风险转移瘤（LRM）：17.3 个月，高风险转移瘤（HRM）：9.6 个月，p < 0.01）。分类性能尤其通过不同时点医学影像的分析得到提升（AUC 0.53 -> AUC 0.74）。结果表明，基于放射组学与机器学习的 SRT 后随访脑转移瘤风险分层具备良好准确性，应进一步研究以个性化和改善 SRT 后随访。
引用
@article{arxiv.2302.08802,
title = {Risk Classification of Brain Metastases via Radiomics, Delta-Radiomics and Machine Learning},
author = {Philipp Sommer and Yixing Huang and Christoph Bert and Andreas Maier and Manuel Schmidt and Arnd Dörfler and Rainer Fietkau and Florian Putz},
journal= {arXiv preprint arXiv:2302.08802},
year = {2023}
}